收集自道路传感器的时变数据通常可被表示为时空图（Spatio-Temporal Graph, STG）。交通预测任务是利用此数据的一个重要应用。近年来，许多精巧、复杂的方法被提出，以对时空关系进行建模，并提升预测任务的性能。在本文中，作者从数据集的角度出发，认为数据量不足是阻碍这些方法进一步提升的关键因素。举例来说，交通预测领域的常用数据集通常只有一两万个样本。稀缺的数据样本通常会造成过拟合问题，导致较差的泛化表现。另一方面，自监督学习作为一个最近兴起的技术，在许多图学习任务中都取得了良好的表现。其中，对比学习是自监督学习技术中最成功的一类方法。它的主要思想是，最大化语义相似样本（正例）的隐空间表示，同时最小化不相似样本（负例）的表示。鉴于对比学习的成功，本文对以下问题提出了第一个系统化探索：是否可以利用对比学习所产生的自监督信号来减轻数据量不足的问题，从而提升时空图预测的表现？具体来说，本文将这一问题拆解细化为4个小问题，并提出了STGCL框架来系统性地做出相应回答。内容中包含的图片若涉及版权问题，请及时与我们联系删除
评论
沙发等你来抢